一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

改进PSO算法在主汽温系统PID参数优化中的应用

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。通过对粒子赋予不同的初始惯性权重,较好地协调了粒子的全局与局部搜索能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明：改进的粒子群算法在保证PID控制稳定性基础上提高了PID控制的精度,且编码简单,易于实现,具有较好的应用前景。     

煤矿局部通风机转速控制算法研究

煤矿局部通风机系统目前主要采用常规PID控制算法进行变频调速,但PID控制参数的调整主要依赖人工经验,调节时间长、实时性差,且容易发生控制量超调和振荡输出。针对上述问题,提出了一种粒子群(PSO)优化PID控制算法,并将其应用到煤矿局部通风机转速控制中,即在基于常规PID控制算法的煤矿局部通风机转速控制系统中添加PSO算法,实现PID控制参数优化。常规PID控制部分直接按照Z-N整定法得出的最优参数设置运行;PSO优化PID控制部分通过S函数算法程序随机产生一组三维粒子,通过调用函数assignin将三维粒子的值赋给转速控制系统仿真模型中的Kp,Ki,Kd三个参数,以控制系统误差指标ITAE作为适应度函数进行迭代寻优,实现了PSO寻优与PID参数整定优化的统一。仿真实验结果表明,相比于常规PID控制,经过PSO算法优化后,局部通风机转速控制输出性能改善明显,尤其是超调量和调节时间指标,超调量仅为常规PID控制算法的20%。     

基于改进粒子群算法的PID参数优化方法研究

针对标准粒子群算法的一些缺点进行了改进，提出了MWPSO优化算法，即Multi-Weight PSO。将MWPSO优化算法用几个标准测试函数进行测试，结果表明该算法优化结果的指标参数比标准PSO算法有所提高。在此基础上，用MWPSO优化算法对PID控制中的参数进行优化并将结果与遗传算法的结果进行比较，优化结果在保证PID控制稳定性基础上提高了PID控制的精度，且编码简单、易于实现。具有较好的应用前景。     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

非线性PID控制器参数优化方法

分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法（QPSO）的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于粒子群优化算法对PID参数的优化整定

本文首先介绍了PID控制器,在此基础上提出了一种基于智能群算法对PID控制器的比例、积分、微分三个参数进行优化整定的改进PSO算法,并利用Mat lab对PID工业控制器进行模拟仿真,利用仿真曲线进行直观的对比。通过与标准PSO优化算法及常规的Z-N整定法的比较,结果表明基于改进PSO算法对PID的整定方法不仅能快速的从全局搜索出优化的整定参数,而且也能够大大地提升整定效果。实验结果也表明该算法具体良好的收敛速度和稳定性,是一种具有高控制精度、高稳定性和快速性的PID整定算法。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略,用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比,该方法简单易行,更容易找到全局最优解,优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化,能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

细菌觅食优化的智能PID控制

传统的PID在控制过程中,尤其针对复杂被控对象易产生振荡和较大的超调,甚至控制系统无法稳定,为了解决这个问题,采用了一种新的基于细菌觅食优化（Bacterial Foraging Optimization,BFO）的智能PID控制方法,针对该算法收敛速度慢的缺陷,对步长及搜索范围做了一定的分析改进。通过与粒子群优化（Particle Swarm Optimization,PSO）智能PID参数整定控制的仿真结果比较,特别是在系统的动态性能指标以及输入信号的跟踪情况等方面进行对比分析,得出基于BFO智能PID控制的优缺点及有效性。     

连续搅拌反应釜的自适应输出反馈控制及参数整定

针对一类连续搅拌反应釜(CSTR),提出了基于扩张状态观测器和反步法的自适应控制方法,并结合连续动作强化学习器(CARLA)进行控制器参数整定.将CSTR视为包含不确定函数的非严格反馈非线性系统,利用扩张状态观测器对系统中的状态变量实时估计,并对不确定函数在线逼近,将系统补偿为线性二阶积分串联系统,为其设计反步法控制器.通过李雅普诺夫稳定性定理对系统稳定性进行分析,证明了闭环系统中所有信号均有界.最后,针对大量控制器参数难以人工整定的问题,设计CARLA算法快速搜索控制器参数最优值,提升了控制品质.仿真实验进一步验证了该方法的有效性.     

基于CARLA-PSO组合模型的机器人步态控制系统设计

传统机器人步态控制系统对路线把握能力不强,导致对机器人步态的控制精度较差、时间过长。为解决上述问题,基于CARLA-PSO组合模型设计了一种新的机器人步态控制系统。硬件部分挑选操作性能较高的硬件元件系统,精准掌控系统中心点的位置,并在此位置上加大数据研究力度,通过数据监视模块及数据控制模块获取的数据结果,利用目标参数控制模块实施数据处理操作;以收集的硬件信息作为软件操作基础,利用CARLA-PSO组合模型得出机器人步态控制局部及全局最优解,综合运用软件控制算法整合获取的步态信息,调控路径信息,结合传感角信息,清理无关步态数据,完成机器人步态控制系统设计。实验结果表明,基于CARLA-PSO组合模型的机器人步态控制系统能够更精准地把控路线,相较于传统控制系统,设计的系统控制时间提高了15.2%,具有较好的控制效果。     

基于PSO算法的余热锅炉水位PID参数优化

通过采用粒子群优化(PSO)算法对余热锅炉水位控制中的PID参数进行优化,分析了传统三冲量锅筒水位控制方案的不足,提高了整个系统的鲁棒性。其应用使水位得到了良好的控制,且提高了经济运行效益,同时也说明了粒子群算法寻优简单,能够使控制系统获得较好的动态特性和很强的鲁棒性,易于并行化。仿真结果表明,该算法是一种效率很高的寻优方法,是PID参数优化的理想方法。     

基于改进微粒群优化的学习路径优化控制方法

对学生学习的路径控制在智能化教学系统中是一个重要的问题。该文以知识空间理论为基础建立了学习状态空间,通过改进的微粒群算法对该学习状态空间的学习路径进行最优化控制,并利用死亡惩罚函数法把约束最优化学习路径问题转化成了无约束的最优化学习路径控制问题,引入交换子和交换序的概念对微粒群算法进行改进。在结果分析中,通过动态参数法,即动态变化交换子保留概率的方法提高微粒群的收敛效果,达到了最优化学习路径控制的目的。     

On-line PID tuning for engine idle-speed control using continuous action reinforcement learning automata

PID systems are widely used to apply control without the need to obtain a dynamic model. However, the performance of controllers designed using standard on-line tuning methods, such as Ziegler–Nichols, can often be significantly improved. In this paper the tuning process is automated through the use of continuous action reinforcement learning automata (CARLA). These are used to simultaneously tune the parameters of a three term controller on-line to minimise a performance objective. Here the method is demonstrated in the context of engine idle-speed control; the algorithm is first applied in simulation on a nominal engine model, and this is followed by a practical study using a Ford Zetec engine in a test cell. The CARLA provides marked performance benefits over a comparable Ziegler–Nichols tuned controller in this application.     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

A new ARIMA-based neuro-fuzzy approach and swarm intelligence for time series forecasting

Time series forecasting is an important and widely interesting topic in the research of system modeling. We propose a new computational intelligence approach to the problem of time series forecasting, using a neuro-fuzzy system (NFS) with auto-regressive integrated moving average (ARIMA) models and a novel hybrid learning method. The proposed intelligent system is denoted as the NFS–ARIMA model, which is used as an adaptive nonlinear predictor to the forecasting problem. For the NFS–ARIMA, the focus is on the design of fuzzy If-Then rules, where ARIMA models are embedded in the consequent parts of If-Then rules. For the hybrid learning method, the well-known particle swarm optimization (PSO) algorithm and the recursive least-squares estimator (RLSE) are combined together in a hybrid way so that they can update the free parameters of NFS–ARIMA efficiently. The PSO is used to update the If-part parameters of the proposed predictor, and the RLSE is used to adapt the Then-part parameters. With the hybrid PSO–RLSE learning method, the NFS–ARIMA predictor may converge in fast learning pace with admirable performance. Three examples are used to test the proposed approach for forecasting ability. The results by the proposed approach are compared to other approaches. The performance comparison shows that the proposed approach performs appreciably better than the compared approaches. Through the experimental results, the proposed approach has shown excellent prediction performance.     

LADPSO: using fuzzy logic to conduct PSO algorithm

Optimization plays a critical role in human modern life. Nowadays, optimization is used in many aspects of human modern life including engineering, medicine, agriculture and economy. Due to the growing number of optimization problems and their growing complexity, we need to improve and develop theoretical and practical optimization methods. Stochastic population based optimization algorithms like genetic algorithms and particle swarm optimization are good candidates for solving complex problems efficiently. Particle swarm optimization (PSO) is an optimization algorithm that has received much attention in recent years. PSO is a simple and computationally inexpensive algorithm inspired by the social behavior of bird flocks and fish schools. However, PSO suffers from premature convergence, especially in high dimensional multi-modal functions. In this paper, a new method for improving PSO has been introduced. The Proposed method which has been named Light Adaptive Particle Swarm Optimization is a novel method that uses a fuzzy control system to conduct the standard algorithm. The suggested method uses two adjunct operators along with the fuzzy system in order to improve the base algorithm on global optimization problems. Our approach is validated using a number of common complex uni-modal/multi-modal benchmark functions and results have been compared with the results of Standard PSO (SPSO2011) and some other methods. The simulation results demonstrate that results of the proposed approach is promising for improving the standard PSO algorithm on global optimization problems and also improving performance of the algorithm.